孫海霞1，朱立位1，韓鈺倩2，葛樂2*，吳英俊3
（1.國網(wǎng)江蘇省電力有限公司連云港供電分公司，江蘇省 連云港市 222004；2.南京工程學院電力工程學院，江蘇省 南京市 211167；3.河海大學能源與電氣學院，江蘇省 南京市 211100）
摘要
并網(wǎng)型微電網(wǎng)的混合儲能容量配置方法一般僅考慮其經(jīng)濟性，難以解決微電網(wǎng)聯(lián)絡線功率波動問題，會對電網(wǎng)產(chǎn)生不利影響。為了權(quán)衡混合儲能的經(jīng)濟性與聯(lián)絡線功率波動平抑效果，提出了基于非合作博弈的混合儲能容量優(yōu)化配置方法。首先，以混合儲能和聯(lián)絡線作為參與者，建立非合作博弈模型；其次，引入入侵雜草算法中繁殖機制和變異算子改進遺傳算法，并求解模型；最后，對傳統(tǒng)多目標優(yōu)化模型、單目標優(yōu)化模型和非合作博弈模型的優(yōu)化結(jié)果以及傳統(tǒng)、改進遺傳算法的求解結(jié)果進行對比。結(jié)果表明：參與者進行博弈時可獨立且客觀優(yōu)化目標函數(shù)，在獲取較大利潤的同時，平抑效果也最優(yōu)，同時入侵雜草遺傳算法在尋優(yōu)能力和收斂速度方面有明顯優(yōu)勢，驗證了所提方法和算法的有效性。
關鍵詞 : 微電網(wǎng)；混合儲能；容量配置；非合作博弈
基金項目：國家電網(wǎng)有限公司總部科技項目“儲能在岸電系統(tǒng)中規(guī)劃配置與協(xié)調(diào)運行關鍵技術(shù)研究與應用”； 國網(wǎng)江蘇省電力有限公司科技項目（J2019112）；國家自然科學基金資助項目（51707089）。 Science and Technology Foundation of SGCC “Research and Application of Key Technologies for Planning, Configuration and Coordinated Operation of Energy Storage in Shore Power System”;Science and Technology Foundation of State Grid Jiangsu Electric Power Co., Ltd.(J2019112); National Natural Science Foundation of China (51707089).
0 引言
可再生能源出力和負荷具有隨機性和波動性，會引發(fā)并網(wǎng)型微電網(wǎng)聯(lián)絡線功率波動，通常通過配置儲能系統(tǒng)平抑其波動[1]。相對由單一儲能介質(zhì)組成的儲能系統(tǒng)，混合儲能系統(tǒng)（hybrid energy storage system，HESS）兼顧了功率型儲能和能量型儲能的優(yōu)點[2-3]。因此合理配置HESS容量對平抑聯(lián)絡線功率波動和降低成本有著重要意義。
國內(nèi)外學者在并網(wǎng)型微電網(wǎng)儲能系統(tǒng)容量配置方面已展開較多研究。文獻[4-5]建立了以經(jīng)濟性為目標的單一儲能容量配置模型，驗證了儲能系統(tǒng)容量配置與其經(jīng)濟效益有著相互制衡的關系；文獻[6-7]提出了以HESS經(jīng)濟效益為優(yōu)化目標的容量配置方法，但只計及全壽命周期成本，未考慮微電網(wǎng)的優(yōu)化目標會對HESS容量配置造成間接影響；文獻[8]建立了計及微電網(wǎng)經(jīng)濟運行的儲能全壽命周期成本復合模型，僅將額定容量和功率設置為模型的約束條件，求解時很難收斂。上述內(nèi)容本質(zhì)上只考慮經(jīng)濟性最優(yōu)解，而微網(wǎng)并網(wǎng)運行時，聯(lián)絡線上流過的功率會產(chǎn)生較大波動[9]，影響電網(wǎng)運行的電壓和頻率，以及微網(wǎng)并網(wǎng)等。為此，文獻[10]建立了以聯(lián)絡線功率為邊界約束條件、系統(tǒng)經(jīng)濟性最優(yōu)為目標的單目標優(yōu)化模型進行容量配置。文獻[11]建立雙層調(diào)度優(yōu)化模型，其中下層考慮經(jīng)濟性最優(yōu)和聯(lián)絡線功率不平衡量最小以實現(xiàn)綜合效益最優(yōu)，并利用Pareto優(yōu)化法進行求解。文獻[12]建立儲能容量配置的雙層決策模型，以實現(xiàn)儲能的初始投資與聯(lián)絡線波動懲罰最低和系統(tǒng)聯(lián)絡線功率波動最低，并利用權(quán)重系數(shù)法求解模型。文獻[11-12]雖然能夠在一定程度上平抑聯(lián)絡線功率波動，但HESS的功率和容量是分別獨立優(yōu)化確定的，工程應用會存在難以匹配的問題。
HESS經(jīng)濟性與聯(lián)絡線功率波動平抑效果是并網(wǎng)型微網(wǎng)混合儲能容量優(yōu)化配置的主要目標。多目標優(yōu)化求解方法主要有權(quán)重法[13]、Pareto優(yōu)化法[14]和非合作博弈法[15-16]。傳統(tǒng)權(quán)重法的系數(shù)選取過于依賴經(jīng)驗與調(diào)試，系數(shù)的客觀性難以保證；自適應權(quán)重法的權(quán)重系數(shù)會隨優(yōu)化過程變化，可能求得劣解；Pareto優(yōu)化方法選取最優(yōu)粒子時具有較強隨機性，穩(wěn)定性比較差。上述研究是基于單主體多目標優(yōu)化的容量配置模型，HESS和聯(lián)絡線是兩個收益函數(shù)不同的利益主體，傳統(tǒng)多目標優(yōu)化方法無法解決多主體間的儲能容量配置問題，而非合作博弈可以較好解決多主體問題。非合作博弈不需要對全系統(tǒng)進行統(tǒng)一優(yōu)化，每個參與者獨立且客觀地迭代各自的收益函數(shù)[16]，故不必考慮各目標之間的沖突性，穩(wěn)定性較好且優(yōu)化效率高，可有效提高HESS經(jīng)濟性與聯(lián)絡線功率波動平抑效果。
此外，已有較多研究采用遺傳算法求解非合作博弈問題[17-18]。傳統(tǒng)遺傳算法在變異操作時，會破壞上一代種群中適應度最高的解，容易收斂到局部最優(yōu)解，本文應用入侵雜草算法[19]中繁殖機制和變異因子改進遺傳算法，提高算法的搜索效率并優(yōu)化最優(yōu)個體選取過程，使求解結(jié)果為全局最優(yōu)解，避免早熟收斂，并加快收斂速度。
綜上，本文首先建立混合儲能容量配置的非合作博弈模型，應用入侵雜草算法改進遺傳算法進行模型求解，最后通過算例驗證所提模型和算法的有效性。
1 并網(wǎng)型微電網(wǎng)混合儲能系統(tǒng)
并網(wǎng)型微電網(wǎng)內(nèi)部包括光伏、風電等可再生能源（renewable energy source，RES），負荷以及由鋰電池和超級電容器組成的HESS，通過聯(lián)絡線與外部電網(wǎng)相連，如圖1所示。在圖1中，PGrid為聯(lián)絡線功率，Pload為負荷功率，PV和PW分別為光伏和風電的出力功率，Pl和Psc分別為鋰電池和超級電容器的有功功率，當電池功率大于0時，定義為充電，反之為放電。
圖1 并網(wǎng)型微電網(wǎng)結(jié)構(gòu)
Fig.1 Structure of grid-connected microgrid
1.1 功率控制策略
HESS的功率控制策略利用低通濾波算法[20]將動態(tài)需求功率分解為低頻部分和高頻部分，實現(xiàn)能量和功率的結(jié)合。微電網(wǎng)的功率缺額PLEFT為
式中：PHESS為HESS目標平抑功率，當數(shù)值為正時處于放電狀態(tài)，反之為充電狀態(tài)。鋰電池功率密度小，響應速度慢，用于補償目標功率中低頻分量；剩余的高頻分量由功率型超級電容器補償。
式中：Plow為經(jīng)算法得到的低頻分量，作為鋰電池的參考功率；Phigh為高頻分量，作為超級電容器的參考功率；Tr為低通濾波算法中的時間常數(shù)；s為微分算子。
1.2 HESS荷電狀態(tài)及充放電管理
本文以t=1為單位時間尺度，T=24為優(yōu)化周期。在小時級容量優(yōu)化配置方法中，為了保證鋰電池和超級電容器的荷電狀態(tài)（state of charge，SOC）不越限，本文對HESS進行充放電管理。依據(jù)充放電功率，計算各自儲能的SOC。
式中：SHESS(t)和SHESS(t-1)分別為t時段和t-1時段HESS的荷電狀態(tài)，SOC過大或過小會影響儲能的壽命，t=1,2,…,24；EHESS為HESS的額定容量；PHESS,c(t-1)、PHESS,d(t-1)分別為t-1時段HESS的充、放電功率；ηHESS,c、ηHESS,d分別為儲能的充、放電效率；Δt為采樣步長；SHESS,max和SHESS,min分別為HESS的荷電狀態(tài)上、下限。若SHESS(t)＜SHESS,min，HESS限制放電，此時儲能實際充電功率應為
反之，SHESS(t)＞SHESS,max時，HESS限制充電，此時儲能實際放電功率為
1.3 約束條件
超級電容器、鋰電池和聯(lián)絡線要滿足并網(wǎng)型微電網(wǎng)平衡方程和各自約束[21-22]。
式中：Pi(t)和Qi(t)分別為節(jié)點注入的有功和無功功率；Vi(t)和Vj(t)為t時刻節(jié)點i和j的電壓；c(i)為與節(jié)點i相連的節(jié)點；Gij和Bij分別為連接節(jié)點i和j的支路電導和電納；θij為節(jié)點之間的相角差；Sk和Sk,max分別為支路k的功率及其上限。
6）節(jié)點電壓約束。
式中：Vmax和Vmin分別為節(jié)點電壓的上、下限。
2 混合儲能容量配置博弈模型
2.1 博弈分析的基本思路
僅考慮HESS的經(jīng)濟性會影響聯(lián)絡線功率波動，如何優(yōu)化配置HESS的容量使經(jīng)濟性最優(yōu)，是HESS關注的重點；僅考慮平抑聯(lián)絡線功率波動會使HESS容量配置過大，如何優(yōu)化儲能容量配置以平抑聯(lián)絡線功率波動是聯(lián)絡線關注的重點。由此可見，在小時級儲能優(yōu)化配置模型中，并網(wǎng)型微電網(wǎng)網(wǎng)架結(jié)構(gòu)存在兩個利益主體，且不同主體的收益目標、策略和約束條件不同，故利用非合作博弈解決參與者之間的沖突問題，建立非合作博弈模型：
式（14）中包含了模型的三要素：參與者L、策略Ω和收益函數(shù)I。本文中參與者L為HESS和聯(lián)絡線，分別用{H,S}表示，所對應的收益函數(shù)分別表示為IH和IS；以超級電容器和鋰電池的容量和功率作為博弈策略，策略空間為連續(xù)容量和功率的集合，具體表達為
式中：ΩH和ΩS分別為HESS和聯(lián)絡線的策略空間。
2.2 博弈雙方的收益函數(shù)
收益函數(shù)是參與者在博弈過程中追求的目標，合理構(gòu)建收益函數(shù)對模型合理性和求解有很大影響。
1）HESS收益函數(shù)。
HESS既要使成本盡可能低，又要令收益盡可能高，因此建立綜合成本收益性的收益函數(shù)。HESS收益函數(shù)IH包括日成本fC和減少聯(lián)絡線建設容量所得日盈利fB，相較傳統(tǒng)配置方案更能體現(xiàn)平抑功率波動對HESS容量配置的影響。
HESS日成本fC包括日運維費用CHESS,W(t)、日投資成本CHESS,I(t)、日購電費用Cbuy(t)。
3.1 改進遺傳算法
傳統(tǒng)遺傳算法是一種基于基因進化的迭代搜索算法，具有很強的全局搜索能力，適用于解決非線性問題，但傳統(tǒng)遺傳算法在變異操作時，會破壞上一代種群中適應度最高的解，存在早熟、容易收斂到局部最優(yōu)解的問題。因此，本文提出一種改進遺傳算法，將入侵雜草算法[19]引入到遺傳算法中，利用以適應度為基準的繁殖機制和改進的變異算子來產(chǎn)生后代和變異操作，提高了種群的適應性以及算法效率，優(yōu)化最優(yōu)個體選取過程，使求解結(jié)果為全局最優(yōu)解。
1）基于以適應度為基準的繁殖機制。
利用入侵雜草算法中以適應度為基準的繁殖機制來產(chǎn)生自帶種群：適應度好的個體產(chǎn)生大量子代，反之，則產(chǎn)生少量子代。在計算初始種群適應度后，每個個體按照式（21）產(chǎn)生相應的子代數(shù)量，其中每個子代的第一部分與父代相同，第二部分的斷點隨機設置，并與父代不同。
式中：N(i)為個體i產(chǎn)生的后代數(shù)；Nmax和Nmin分別為每個個體可產(chǎn)生最大和最小的后代數(shù)；fitW和fitB分別為當前種群中個體最差和最好的適應度；fit(i)為個體i的適應度函數(shù)。
2）改進的變異因子。
針對傳統(tǒng)遺傳算法中的不足，引入入侵雜草算法中優(yōu)秀個體選取方法對傳統(tǒng)遺傳算法進行改進。利用式（22）求出種群適應度的均值，并分成優(yōu)秀個體和較差個體。對于優(yōu)秀個體使其較大概率進化，對于較差個體則處于小概率進化或完全停滯狀態(tài)。
式中：選取fit(i)＜fitavg的個體為最優(yōu)個體，剩余為較差個體，共有NP個個體。為了增強算法的局部探索能力并維持種群多樣性，令優(yōu)秀個體進化概率P1=0.9。改進遺傳算法的具體流程如圖2所示。
在圖2中，σ(0,1)是均值為0、方差為1的正態(tài)分布隨機數(shù)；rand(0,1)為[0，1]上服從均勻分布的隨機數(shù)；xgbest為最優(yōu)個體；xi(g)代表第g代的第i個個體；F為縮放因子；xp1、xp2、xp3為3個不同的個體。
圖2 改進遺傳算法流程圖
Fig.2 Flowchart of improved genetic algorithm
3）具體步驟。
在約束條件下，改進遺傳算法求解模型的步驟如下。
①參數(shù)設置和確定編碼方式，策略和收益函數(shù)值使用實數(shù)編碼方式，并確定適應度函數(shù)；
②在預設范圍中隨機生成初始值，組成初始化種群，并根據(jù)繁殖機制產(chǎn)生后代，初值滿足約束式（4）、（7）—（13）；
③依據(jù)式（22）計算當前種群的平均適應度，并判斷出所有的優(yōu)秀個體和較差個體，根據(jù)相應的約束規(guī)則執(zhí)行選擇、交叉和改進的變異遺傳操作，從而產(chǎn)生新一代的種群；
④若超過收斂條件和迭代次數(shù)則輸出結(jié)果，反之，則返回步驟②。
4）測試函數(shù)。
本文利用代距（generational distance，GD）和間距（spacing，S）兩個指標判斷傳統(tǒng)與改進遺傳算法的優(yōu)劣[23]，其中GD表示算法的收斂性；S表示算法的分布性。分別對ZDT1函數(shù)隨機運行20次，對兩指標進行計算和統(tǒng)計。
3.2 博弈流程分析
在利用文獻[24]的方法驗證本文Nash均衡解存在且唯一的基礎上，根據(jù)第2章的模型設計思路，建立非合作博弈模型。首先，將鋰電池和超級電容器的功率、容量視為博弈參與者的策略，當參與者獨立優(yōu)化各自目標的優(yōu)化問題時，利用改進的遺傳算法求解收益函數(shù)，得到一方的最優(yōu)策略，與另一方目前最優(yōu)策略構(gòu)成組合策略；其次，以組合策略所對應的適應度函數(shù)值為目標進行不斷迭代，直到Nash均衡解。求解流程如圖3所示。
在圖3中，以收益函數(shù)作為適應度函數(shù)，對兩種群分別獨立進行遺傳算子操作，兩方參與者進行獨立優(yōu)化策略。記兩方參與者第j-1輪優(yōu)化的結(jié)果為(Esc,j-1,El,j-1,Psc,j-1,Pl,j-1)，通過遺傳算法迭代，得到最優(yōu)策略組合(Esc,j,El,j,Psc,j,Pl,j)。最后，判斷是否找到Nash均衡解，若參與者相鄰兩次得到的最優(yōu)解相同，則表明在該策略集下，找到了Nash均衡解。
圖3 博弈流程圖
Fig.3 Game flowchart
4 算例分析
4.1 算例設置
本文采用修改的IEEE-33節(jié)點系統(tǒng)作為微電網(wǎng)算例，其拓撲結(jié)構(gòu)如圖4所示。節(jié)點1連接外部電網(wǎng)，RES與負荷的數(shù)據(jù)如圖5所示。采用MATLAB R2014a編寫算法程序，調(diào)用Matpower工具箱進行潮流計算。仿真計算機處理器為Intel（R）Core（TM）i5-10210U CPU @ 1.60 GHz，內(nèi)存為8GB。研究中HESS采用鋰電池和超級電容器，系統(tǒng)相關參數(shù)見表1。時間間隔Δt= 1h，T=24。
圖4 IEEE-33節(jié)點微電網(wǎng)算例
Fig.4 IEEE-33 node microgrid case
圖5 RES和負荷功率
Fig.5 Power of RES and load
表1 儲能系統(tǒng)參數(shù)
Table 1 Parameters of energy storage system
根據(jù)本文提出的非合作博弈方法，超級電容器和鋰電池運行應滿足1 min有功功率變化限值ΔPt=1min不能超過裝機容量Pk的1/10和10 min有功功率變化限值ΔPt=10min不能超過裝機容量Pk的1/5，即ΔPt=1min≤10%Pk 且ΔPt=10min≤20%Pk。設置遺傳算法的參數(shù)如下：種群個體數(shù)量Np=100，種群交叉概率CROSS=0.95，迭代次數(shù)Ngen=50，變異概率Mu=0.05，選擇概率ω=0.6，優(yōu)秀個體進化概率P1=0.9。
4.2 算例分析
4.2.1 非合作博弈和其他方法對比分析
為了驗證所提方法的有效性，本文將對以下5種場景進行算例仿真。
1）場景1：建立HESS經(jīng)濟性最優(yōu)的單目標優(yōu)化模型并求解；
2）場景2：建立平抑聯(lián)絡線功率波動最小的單目標優(yōu)化模型并求解；
3）場景3：建立HESS經(jīng)濟性最優(yōu)和平抑聯(lián)絡線功率波動最小的多目標優(yōu)化模型，并采用權(quán)重系數(shù)法進行求解；
4）場景4：建立HESS經(jīng)濟性最優(yōu)和平抑聯(lián)絡線功率波動最小的多目標優(yōu)化模型，并采用Pareto法進行求解；
5）場景5（本文模型方法）：以HESS和聯(lián)絡線作為博弈參與方，儲能容量和功率作為博弈策略，建立綜合考慮HESS經(jīng)濟性和平抑聯(lián)絡線功率波動的非合作博弈模型，并采用改進遺傳算法進行求解。
表2為不同場景的優(yōu)化結(jié)果。
表2 不同場景的優(yōu)化結(jié)果
Table 2 Optimization results of different scenarios
圖6為場景1、2和5的經(jīng)濟性對比。從表2和圖6可以看出，場景5較場景1成本增加了19.4%，主要是由于場景1的策略只需要考慮平抑聯(lián)絡線功率波動，而場景5則是要在經(jīng)濟性與功率波動平抑效果之間進行博弈，相當于在收益函數(shù)中考慮了平抑效果。此外，與場景1相比，場景5的聯(lián)絡線功率方差減小了50%，其平抑效果要求更高，使HESS必須采取保守的調(diào)度方案，從而保證電力系統(tǒng)經(jīng)濟且穩(wěn)定運行。
圖6 優(yōu)化模型的經(jīng)濟性對比
Fig.6 Economic comparison of optimization models
與場景2相比，場景5聯(lián)絡線功率方差雖略偏大，但是能夠獲取較高的收益。在00:00—5:00、19:00—24:00時間段，成本呈上升趨勢，這是因為沒有RES出力，HESS開始放電為負荷提供有功功率支撐。系統(tǒng)在8:00—15:00時間段，微電網(wǎng)負荷以RES為主、儲能為輔供給，所以成本變化基本平穩(wěn)。在6:00—7:00、16:00—18:00時間段，RES提供系統(tǒng)的負荷需求和HESS的充放電功率，多余出力會倒送到大電網(wǎng)中，所以成本會有下降趨勢。
綜合各項數(shù)據(jù)，場景5與場景1、場景2這兩個單目標優(yōu)化模型相比，能夠在混合儲能經(jīng)濟性與聯(lián)絡線功率波動平抑效果之間取得較好平衡，并滿足大電網(wǎng)的需求。
由于經(jīng)濟性與平抑效果互斥，場景3將各主體收益的多目標問題轉(zhuǎn)化為單目標優(yōu)化問題，并運用層次分析法對各項指標賦予權(quán)重，目標函數(shù)為F(X)=ωIC +(1-ω)I S，且ω≤1。ω不是常數(shù)，其隨SOC的實時狀態(tài)而變化，利用動態(tài)自適應控制方法調(diào)整ω[11]。圖7（a）給出了權(quán)重法求解的多次優(yōu)化結(jié)果，場景3雖然能夠獲得總收益的解，但算法中權(quán)重系數(shù)的選擇受主觀因素影響，較難客觀反映兩方之間的關系，從而導致重復計算的結(jié)果并不唯一。
為了避免忽視各收益函數(shù)間的競爭關系造成的結(jié)果誤差，場景4采用多迭代方向Pareto解集動態(tài)更新策略，從Pareto非劣解集中篩選最優(yōu)解。數(shù)學描述如下：
圖7（b）給出了Pareto解集與Nash均衡解的關系。由圖可知，雖然非合作Nash均衡解不屬于Pareto非裂解集，但二者極為接近。利用Pareto法選取最優(yōu)粒子時具有較強隨機性，結(jié)果不唯一。
圖7 傳統(tǒng)多目標優(yōu)化方法求解結(jié)果
Fig.7 Results of traditional multi-objective optimization method
從表2可以看出，場景3、4和5均可以有效地求解多目標優(yōu)化問題，找到滿足約束條件下的最優(yōu)解。從HESS的經(jīng)濟性來看，由于場景5配置的功率和容量更少，所以成本更低，較場景3節(jié)省了2158元，較場景4節(jié)省了1831元。從平抑聯(lián)絡線功率波動來看，場景5的方差會低于場景3、4。仿真結(jié)果驗證出非合作博弈優(yōu)化方法能夠得到穩(wěn)定的Nash均衡解，不受主觀因素和博弈次數(shù)的影響，且可證明本文所提方法的有效性和最優(yōu)性。
場景3和場景5的聯(lián)絡線功率曲線如圖8所示。由圖可知，場景3和場景5的優(yōu)化方法均可平抑聯(lián)絡線功率波動，但從平抑效果來看，場景5的聯(lián)絡線功率的方差為74.95 kW2，場景3的聯(lián)絡線功率的方差為80.21 kW2，說明場景5通過獨立且客觀地優(yōu)化各個收益函數(shù)后，可減少聯(lián)絡線功率方差，平抑聯(lián)絡線功率波動效果相比場景3更優(yōu)，驗證了本文所提方法的優(yōu)越性。
圖8 聯(lián)絡線功率曲線
Fig.8 Tie line power curves
4.2.2 改進遺傳算法和傳統(tǒng)遺傳算法對比分析
ZDT1的算法結(jié)果對比如表3所示，從GD指標和S指標來看，改進遺傳算法要優(yōu)于傳統(tǒng)算法，改進遺傳算法最優(yōu)解集在最優(yōu)前沿上的分布性較好?？傮w來看，改進算法整體性能優(yōu)于傳統(tǒng)算法，可提高收斂精度，且計算時間快。
表3 ZDT1的算法結(jié)果對比
Table 3 Comparison of algorithm results of ZDT1
本文利用傳統(tǒng)的遺傳算法、所提入侵雜草遺傳算法進行模型求解，設置迭代次數(shù)為50。
由圖9可知，與傳統(tǒng)的遺傳算法相比，利用入侵雜草算法改進的遺傳算法求解出的成本較低，其中改進遺傳算法到第16次迭代后收斂至19 872元，傳統(tǒng)遺傳算法到第28次迭代后收斂為23 241元。
圖9 算法收斂結(jié)果
Fig.9 Convergence results of the algorithm
兩種算法的迭代結(jié)果表明，傳統(tǒng)遺傳算法陷入了局部最優(yōu)解，而本文所采用的入侵雜草遺傳算法可以有效避免早熟收斂。
5 結(jié)論
本文建立了考慮微電網(wǎng)聯(lián)絡線功率波動平抑效果和經(jīng)濟性的HESS非合作博弈容量配置模型。通過算例分析，所得結(jié)論如下：
1）與經(jīng)濟優(yōu)化模型、平抑效果模型相比，本文方法能夠在混合儲能經(jīng)濟性與聯(lián)絡線功率波動平抑效果之間取得較好平衡，并滿足外部電網(wǎng)的需求；
2）與權(quán)重法、Pareto多目標優(yōu)化方法相比，本文方法可客觀且獨立地優(yōu)化參與者的收益函數(shù)，有效避免最優(yōu)解易受主觀因素影響的問題，并獲得HESS容量配置的最優(yōu)解；
3）傳統(tǒng)遺傳算法有早熟收斂和收斂速度慢等缺陷，利用入侵雜草算法中變異因子可選出優(yōu)秀個體，減小算法陷入局部最優(yōu)的概率，提高了尋優(yōu)能力和收斂速度，其性能明顯優(yōu)于傳統(tǒng)遺傳算法。
參考文獻
[1]吳傳申，劉宇，高山，等.基于預測控制的儲能系統(tǒng)多時間尺度動態(tài)響應優(yōu)化研究[J].全球能源互聯(lián)網(wǎng)，2020，3(3)：222-230.
WU Chuanshen, LIU Yu, GAO Shan, et al.Multi-time scale dynamic response optimization of energy storage system based on predictive control[J].Journal of Global Energy Interconnection, 2020, 3(3): 222-230(in Chinese).
[2]杜祥偉，沈艷霞，李靜.基于模型預測控制的直流微網(wǎng)混合儲能能量管理策略[J].電力系統(tǒng)保護與控制，2020，48(16)：69-75.
DU Xiangwei, SHEN Yanxia, LI Jing.Energy management strategy of DC microgrid hybrid energy storage based on model predictive control[J].Power System Protection and Control, 2020, 48(16): 69-75(in Chinese).
[3]何俊強，師長立，馬明，等.基于元模型優(yōu)化算法的混合儲能系統(tǒng)雙層優(yōu)化配置方法[J].電力自動化設備，2020，40(7)：157-167.
HE Junqiang, SHI Changli, MA Ming, et al.Bi-level optimal configuration method of hybrid energy storage system based on meta model optimization algorithm[J].Electric Power Automation Equipment, 2020, 40(7): 157-167(in Chinese).
[4]趙冬梅，夏軒，陶然.含電轉(zhuǎn)氣的熱電聯(lián)產(chǎn)微網(wǎng)電/熱綜合儲能優(yōu)化配置[J].電力系統(tǒng)自動化，2019，43(17)：46-54.
ZHAO Dongmei, XIA Xuan, TAO Ran.Optimal configuration of electric/thermal integrated energy storage for combined heat and power microgrid with power to gas[J].Automation of Electric Power Systems, 2019, 43(17): 46-54(in Chinese).
[5]竇曉波，袁簡，吳在軍，等.并網(wǎng)型風光儲微電網(wǎng)容量改進優(yōu)化配置方法[J].電力自動化設備，2016，36(3)：26-32.
DOU Xiaobo, YUAN Jian, WU Zaijun, et al.Improved configuration optimization of PV-wind-storage capacities for grid-connected microgrid[J].Electric Power Automation Equipment, 2016, 36(3): 26-32(in Chinese).
[6]FENG X S, GU J, GUAN X F.Optimal allocation of hybrid energy storage for microgrids based on multi-attribute utility theory[J].Journal of Modern Power Systems and Clean Energy, 2018, 6(1): 107-117.
[7]梁芷睿，宋政湘，王建華，等.液態(tài)金屬電池儲能系統(tǒng)在光氫耦合微電網(wǎng)中的優(yōu)化配置[J].電力系統(tǒng)自動化，2018，42(4)：64-69.
LIANG Zhirui, SONG Zhengxiang, WANG Jianhua, et al.Optimal configuration of liquid metal battery energy storage system in photovoltaic and hydrogen coupled microgrid[J].Automation of Electric Power Systems, 2018, 42(4): 64-69(in Chinese).
[8]李斐，黎燦兵，孫凱，等.微電網(wǎng)中混合儲能系統(tǒng)的規(guī)劃運行一體化配置方法[J].控制理論與應用，2019，36(3)：453-460.
LI Fei, LI Canbing, SUN Kai, et al.Integrated planning and operation method of hybrid energy storage system in microgrid[J].Control Theory & Applications, 2019, 36(3):453-460(in Chinese).
[9]馮雷，蔡澤祥，王奕，等.計及負荷儲能特性的微網(wǎng)荷儲協(xié)調(diào)聯(lián)絡線功率波動平抑策略[J].電力系統(tǒng)自動化，2017，41(17)：22-28.
FENG Lei, CAI Zexiang, WANG Yi, et al.Strategy for tie line power fluctuation suppressing of load-energy storage coordinated microgrid considering energy-storage characteristic of load[J].Automation of Electric Power Systems, 2017,41(17): 22-28(in Chinese).
[10]張筱慧，李佳馨，張璐，等.考慮聯(lián)絡線峰谷差和電網(wǎng)運行效益的綜合能源系統(tǒng)規(guī)劃[J].電力自動化設備，2019，39(8)：195-202.
ZHANG Xiaohui, LI Jiaxin, ZHANG Lu, et al.Integrated energy system planning considering peak-to-valley difference of tie line and operation benefit of power grid[J].Electric Power Automation Equipment, 2019, 39(8): 195-202(in Chinese).
[11]徐巖，張建浩.考慮需求響應和聯(lián)絡線交互的含微電網(wǎng)的主動配電網(wǎng)多目標協(xié)同調(diào)度優(yōu)化[J].華北電力大學學報（自然科學版），2021，48(1)：1-14.
XU Yan, ZHANG Jianhao.Multi-objective cooperative dispatching optimization of active distribution network with microgrid considering demand response and tie line interaction[J].Journal of North China Electric Power University (Natural Science Edition), 2021, 48(1): 1-14(in Chinese).
[12]李建林，郭斌琪，牛萌，等.風光儲系統(tǒng)儲能容量優(yōu)化配置策略[J].電工技術(shù)學報，2018，33(6)：1189-1196.
LI Jianlin, GUO Binqi, NIU Meng, et al.Optimal configuration strategy of energy storage capacity in wind/PV/storage hybrid system[J].Transactions of China Electrotechnical Society,2018, 33(6): 1189-1196(in Chinese).
[13]王雅平，林舜江，楊智斌，等.微電網(wǎng)多目標隨機動態(tài)優(yōu)化調(diào)度算法[J].電工技術(shù)學報，2018，33(10)：2196-2207.
WANG Yaping, LIN Shunjiang, YANG Zhibin, et al.Multiobjective stochastic dynamic optimal dispatch algorithm of microgrid[J].Transactions of China Electrotechnical Society,2018, 33(10): 2196-2207(in Chinese).
[14]禹威威，劉世林，陳其工，等.考慮需求側(cè)管理的光伏微電網(wǎng)多目標優(yōu)化調(diào)度方法[J].太陽能學報，2017，38(11)：2972-2981.
YU Weiwei, LIU Shilin, CHEN Qigong, et al.Multi-objective optimization scheduling method for photovoltaic based microgrid considering demand side management[J].Acta Energiae Solaris Sinica, 2017, 38(11): 2972-2981(in Chinese).
[15]湯可宗，李佐勇，詹棠森，等.一種基于Pareto關聯(lián)度支配的多目標粒子群優(yōu)化算法[J].南京理工大學學報，2019，43(4)：439-446.
TANG Kezong, LI Zuoyong, ZHAN Tangsen, et al.A multiobjective particle swarm optimization algorithm based on Pareto correlation degree domination[J].Journal of Nanjing University of Science and Technology, 2019, 43(4): 439-446(in Chinese).
[16]張富平，李志宏，常好晶，等.計及分布式電源不確定性的微網(wǎng)儲能容量博弈優(yōu)化[J].可再生能源，2019，37(7)：1042-1048.
ZHANG Fuping, LI Zhihong, CHANG Haojing, et al.Gamebased optimization of energy storage capacity for micro-grid considering uncertainty of distributed generation[J].Renewable Energy Resources, 2019, 37(7): 1042-1048(in Chinese).
[17]LIU X F, GAO B T, ZHU Z Y, et al.Non-cooperative and cooperative optimisation of battery energy storage system for energy management in multi-microgrid[J].IET Generation,Transmission & Distribution, 2018, 12(10): 2369-2377.
[18]張忠會，劉故帥，謝義苗.基于博弈論的電力系統(tǒng)供給側(cè)多方交易決策[J].電網(wǎng)技術(shù)，2017，41(6)：1779-1785.
ZHANG Zhonghui, LIU Gushuai, XIE Yimiao.A game theory approach to analyzing multi-party electricity trading on supply side[J].Power System Technology, 2017, 41(6): 1779-1785(in Chinese).
[19]陳亦杰，劉故帥，張忠會.考慮電動汽車群和新增實體的電力市場多方交易策略研究[J].電力系統(tǒng)保護與控制，2018，46(13)：33-40.
CHEN Yijie, LIU Gushuai, ZHANG Zhonghui.A study on multi-party trading strategy of electricity market considering electric vehicle group and new entity[J].Power System Protection and Control, 2018, 46(13): 33-40(in Chinese).
[20]盧錦玲，楊月，王陽，等.基于Copula理論的電動汽車光伏充電站儲能配置[J].太陽能學報，2016，37(3)：780-786.
LU Jinling, YANG Yue, WANG Yang, et al.Copula-based capacity configuration of energy storage system for a PVassisted electric vehicles charging station[J].Acta Energiae Solaris Sinica, 2016, 37(3): 780-786(in Chinese).
[21]郭偉，趙洪山.基于事件觸發(fā)機制的直流微電網(wǎng)多混合儲能系統(tǒng)分層協(xié)調(diào)控制方法[J].電工技術(shù)學報，2020，35(5)：1140-1151.
GUO Wei, ZHAO Hongshan.Coordinated control method of multiple hybrid energy storage system in DC microgrid based on event-triggered mechanism[J].Transactions of China Electrotechnical Society, 2020, 35(5): 1140-1151(in Chinese).
[22]張晴，李欣然，楊明，等.凈效益最大的平抑風電功率波動的混合儲能容量配置方法[J].電工技術(shù)學報，2016，31(14)：40-48.
ZHANG Qing, LI Xinran, YANG Ming, et al.Capacity determination of hybrid energy storage system for smoothing wind power fluctuations with maximum net benefit[J].Transactions of China Electrotechnical Society, 2016, 31(14):40-48(in Chinese).
[23]湯可宗，柳炳祥，詹棠森，等.基于極大極小關聯(lián)密度的多目標微分進化算法[J].南京理工大學學報，2019，43(6)：693-699.
TANG Kezong, LIU Bingxiang, ZHAN Tangsen, et al.Multiobjective differential evolution algorithm based on max-Min correlation density[J].Journal of Nanjing University of Science and Technology, 2019, 43(6): 693-699(in Chinese).
[24]孫國強，錢葦航，黃文進，等.考慮配電網(wǎng)安全性的虛擬電廠優(yōu)化調(diào)度博弈模型[J].電力自動化設備，2019，39(5)：7-14.
SUN Guoqiang, QIAN Weihang, HUANG Wenjin, et al.Optimal dispatch game model for virtual power plant considering security of distribution network[J].Electric Power Automation Equipment, 2019, 39(5): 7-14(in Chinese).
Capacity Configuration Method of Hybrid Energy Storage System in Microgrids Based on a Non-cooperative Game Model
SUN Haixia1, ZHU Liwei1, HAN Yuqian2, GE Le2*, WU Yingjun3
(1.Lianyungang Power Supply Company, State Grid Jiangsu Electric Power Co., Ltd., Lianyungang 222004, Jiangsu Province, China;2.School of Electrical Engineering, Nanjing Institute of Technology, Nanjing 211167, Jiangsu Province, China;3.College of Energy and Electrical Engineering, Hohai University, Nanjing 211100, Jiangsu Province, China)
Abstract: The hybrid energy storage capacity configuration method of a grid-connected microgrid only considers its economy, making it difficult to solve the problem of power fluctuation of tie lines in microgrids, which will have an adverse impact on the power grid.To balance the economy of hybrid energy storage and the effect of smoothing the fluctuation of tieline power, an optimal configuration method of hybrid energy storage capacity based on a non-cooperative game is proposed.First, a non-cooperative game model was established with hybrid energy storage and tie lines as participants.Second, the reproductive mechanism and mutation operator of the invasive weed algorithm were used to improve the genetic algorithm and solve the model.Finally, the optimization results of the traditional multi-objective optimization model, single-objective optimization model, and non-cooperative game model, as well as the results of traditional and improved genetic algorithms,are compared.The results show that the participants can independently and objectively optimize the objective function so that the hybrid energy storage can make greater profits and the smoothing effect is optimal.Simultaneously, the invasive weed genetic algorithm demonstrates obvious advantages in search capacity and convergent speed, thereby verifying the effectiveness of the proposed method and algorithm.
Keywords: microgrid; hybrid energy storage system; capacity configuration; non-cooperative game
pagenumber_ebook=45,pagenumber_book=463
孫海霞
作者簡介：
孫海霞（1974），女，高級工程師，長期從事電力系統(tǒng)運行與管理工作，E-mail：lygsunhx@126.com。
葛樂（1982），男，博士，教授，研究方向為新能源與柔性電網(wǎng)。通信作者，E-mail：supertiger_bear@126.com。
